AI寒冬是指一段资金、兴趣和研究活动减少的时期，此前一波过度膨胀的预期未能被当时的技术所满足。该术语类比“核冬天”而创造，描述了自1956年达特茅斯研讨会该领域创立以来反复出现的周期性繁荣-萧条模式。历史学家通常指出两次主要的AI寒冬，分别发生在1970年代中期和1980年代末至1990年代初，但也出现过较小的区域性衰退。
每次寒冬都遵循相似的模式：早期演示引发媒体炒作和大量政府或企业投资，随后所采用的方法触及了其支持者低估的根本性限制，资助者失去耐心，研究预算崩溃，迫使许多研究者将工作重新包装在“AI”标签之外。
第一次AI寒冬（1970年代中期）
第一次寒冬部分由英国政府委托的1973年莱特希尔报告引发，该报告得出结论认为AI研究未能兑现其早期承诺，并导致全国大学资金大幅削减。在美国，DARPA在语音识别和机器翻译项目未达预期后缩减了开放式AI研究资金；尤其是机器翻译，早在1966年美国政府的一份报告发现其无法达到人类质量时就已经受损。另一个加剧因素是马文·明斯基和西摩·帕珀特1969年的著作，该书展示了单层感知器的数学局限性，使神经网络研究受阻超过十年。
第二次AI寒冬（1980年代末至1990年代初）
第二次寒冬紧随专家系统和专用LISP机器的商业市场崩溃而来，因为两者都被证明维护成本高昂，且无法扩展到其狭窄领域之外的杂乱现实世界知识。日本于1982年启动的第五代计算机项目，是对符号AI和逻辑编程的一次大型政府押注，到1992年结束时未能产生商业突破，进一步打击了全球投资者的信心。在此期间，“AI”这一标签本身在商业上变得不受欢迎，许多研究者转而将工作描述为“机器学习”、“信息学”或“模式识别”。
遗产与现代争论
每次寒冬后的复苏来自更狭窄、可证明有用的技术，而非对通用智能的新承诺：1990年代的统计机器学习和2012年后的深度学习。自2022年ChatGPT发布以来，评论者不时质疑当前的AI繁荣，以其巨大的资本支出和有争议的扩展法则回报，是否会以第三次寒冬告终。另一些人则认为，与早期时代不同，今天的AI已经产生大量商业收入和广泛采用，即使估值最终出现修正，对称性崩溃的可能性也较低。